[发明专利]一种基于随机森林算法的肿瘤数据统计方法

权利要求书

1.一种基于随机森林算法的肿瘤数据统计方法，其特征在于：包括如下步骤：

步骤1：建立中央服务器和多个数据采集服务器，所有数据采集服务器均与中央服务器通过互联网通信；

数据采集服务器部署在医院的各个科室内，用于采集各科室内收集到的医疗数据；

步骤2：在中央服务器中建立数据预处理模块、数据库模块、模型建立模块和图形化模块；

步骤3：数据采集服务器向中央服务器定时发送收集到的医疗数据；

中央服务器获取到医疗数据后，通过数据预处理模块对医疗数据进行数据清洗，筛选掉缺失值和异常值，得到清洗后医疗数据；

步骤4：数据预处理模块对清洗后医疗数据进行均值方差归一化处理，得到待处理医疗数据集；

步骤5：数据库模块存储待处理医疗数据集；

步骤6：模型建立模块读取数据库模块中的待处理医疗数据集，并根据以下方法建立风险模型：

步骤S1：以是否患肿瘤作为分层，分别随机抽取2/3样本作为训练集，剩余1/3样本作为测试集；

步骤S2：从平衡训练集中，采用bootstrap重抽样方法有放回地随机抽取K个新的训练样本集，而每次未被抽到的观测构成了K个袋外数据(out-of-bag,OOB)，用于评价每棵树的性能；

步骤S3：设定经过筛选后特征总数为M₀，在每一棵决策树的任一节点处随机抽取m个特征(mM₀)，其中通过最小基尼增益值GiniGain作为决策树分类方案，选择一个最具有分类能力、最优特征进行节点分裂，由此构建K个分类树{C₁,C₂,…,C_K}作为弱分类器：

其中S₁、S₂为样本集S的两个样本子集，n₁、n₂为两个样本子集的数量，N为样本容量。对于样本S中的特征，计算任意可能的特征组合的GiniGain，选择GiniGain最小的特征值组合作为决策树当前节点的最优分类方案。

步骤S4：使每棵树最大限度地生长，对数据进行分类；

步骤S5：对决策树进行加权处理，使用袋外数据的F1计算每个决策树的分类正确程度，根据以下公式对弱分类器赋予权重：

其中，oobF1(i)表示第i棵决策树的袋外数据的F1值，其为精度和召回率的调和平均；

步骤S6：基于步骤S4的方法加权投票法集成K棵决策树分类结果；

步骤S7：遍历决策树个数K，特征数目m组合，基于运算效率与OOB错误率最小化准则，采用网格搜索算法与十折交叉验证法，将K与m划分网格，通过搜索每个网格中的参数进行参数确定和优化；

步骤S8：向训练好的随机森林模型中导入测试集，输出测试集结果，得到混淆矩阵，通过敏感度Sensitivity、特异性Specificity、准确率Accuracy、G-mean和受试者工作特征曲线ROC下面积AUC指标评估分类器性能；

步骤7：图形化模块将步骤S8得出的分类器性能结果通过图形或表格的形式进行展示。

2.如权利要求1所述的一种基于随机森林算法的肿瘤数据统计方法，其特征在于：所述医疗数据包括肿瘤数据。

3.如权利要求1所述的一种基于随机森林算法的肿瘤数据统计方法，其特征在于：在执行步骤4时，数据预处理模块将清洗后医疗数据作为样本数据，并根据以下公式对清洗后医疗数据进行均值方差归一化处理：

其中，样本数据中的最大值是xmax，样本数据中的最小值是xmin，xmax-xmin表示样本数据的极差。